V souvislosti s prudkým rozmachem zařízení (agentů) se značným výpočetním potenciálem, dostatkem paměti a schopností vzájemné komunikace došlo v posledních dvou dekádách k rychlému rozvoji metod pro distribuované modelování nejrůznějších procesů. Namátkou - distribuovaný Kalmanův filtr, RLS či particle filter. Zatímco většina stávajících řešení je orientována na jeden konkrétní model, použití bayesovského přístupu umožňuje tuto orientaci opustit ve prospěch obecnějších řešení. Cílem práce je zaměřit se právě na tuto problematiku, např. jaké informace je vhodné mezi agenty sdílet, jak optimálně provádět fúzi dostupných informací apod. Konkrétní úzké zaměření práce bude vystavěno na míru dle preferencí studenta.
1. Seznamte se s bayesovskou teorií odhadu
2. Seznamte se s problematikou distribuovaného modelování náhodných procesů.
3. Navrhněte vlastní přístup k odhadu parametrů parametrických modelů v sítích s informační difuzí. Konkrétní typ(y) modelu budou domluveny s vedoucím práce.
4. Porovnejte dosažené výsledky s těmi, jichž lze dosáhnout s již existujícími metodami.
[1] A. H. Sayed, “Adaptation, learning, and optimization over networks,” Found. Trends Mach. Learn., vol. 7, no. 4–5, pp. 311–801, 2014.
[2] A. H. Sayed, “Adaptive Networks,” Proc. IEEE, vol. 102, no. 4, pp. 460–497, Apr. 2014.
[3] R. Nassif, S. Vlaski, C. Richard, J. Chen, and A. H. Sayed, “Multitask Learning Over Graphs: An Approach for Distributed, Streaming Machine Learning,” IEEE Signal Process. Mag., vol. 37, no. 3, pp. 14–25, May 2020
[4] K. Dedecius and P. M. Djuric, “Sequential Estimation and Diffusion of Information Over Networks: A Bayesian Approach With Exponential Family of Distributions,” IEEE Trans. Signal Process., vol. 65, no. 7, pp. 1795–1809, Apr. 2017.